Dieses Papier stellt eine schwach überwachte Bildsegmentierungsmethode vor, die enge Begrenzungsrahmen-Annotierungen verwendet. Es schlägt eine verallgemeinerte Mehrfachinstanzlernen-Methode (MIL) und eine glatte Maximum-Approximation vor, um den Prior der Enge des Begrenzungsrahmens in ein tiefes neuronales Netzwerk auf end-to-end-Basis zu integrieren. Bei der verallgemeinerten MIL werden positive Taschen durch parallele Schnittlinien mit einer Reihe verschiedener Winkel definiert, während negative Taschen als einzelne Pixel außerhalb aller Begrenzungsrahmen definiert sind. Zwei Varianten der glatten Maximum-Approximation, nämlich die $\alpha$α-Softmax-Funktion und die $\alpha$α-Quasimax-Funktion, werden genutzt, um die numerische Instabilität zu bewältigen, die durch die Maximumfunktion der Taschenprädiktion eingeführt wird. Der vorgeschlagene Ansatz wurde anhand zweier öffentlicher medizinischer Datensätze unter Verwendung des Dice-Koeffizienten evaluiert. Die Ergebnisse zeigen, dass er den Stand der Technik übertreffen kann. Der Quellcode ist unter \url{https://github.com/wangjuan313/wsis-boundingbox} verfügbar.